How to achieve energy-efficient transmission in radio frequency energy harvesting cognitive radio network (RF-CRN) is of great importance when nodes in CRN are self-maintained. This paper presents a radio frequency (RF) energy harvesting hardware-based underlay cognitive radio network (RH-CRN) structure, where a secondary transmitter (ST) first harvests energy from RF signals source originating from the primary network, and then communicates with a secondary receiver (SR) in underlay mode by using the harvested energy. The total consumed energy by the secondary user (SU) must be equal to or less than the total harvested energy referred to as energy causality constraint, In addition, the ST possesses some initial energy which may be the residual energy from the former transmission blocks, and we consider the energy loss of energy harvesting circuit as a systematic factor as well. Our goal is to achieve the maximum energy efficiency (EE) of the secondary network by jointly optimizing transmitting time and power. To guarantee the quality of service (QoS) of secondary transceiver, a minimum requirement of throughput constraint is imposed on the ST in the process of EE maximization. As the EE maximization is a nonlinear fractional programming problem, a quick iterative algorithm based on Dinkelbach’s method is proposed to achieve the optimal resource allocation. Simulation results show that the proposed strategy has fast convergence and can improve the system EE greatly while ensuring the QoS.

当CRN中的节点是自维护的时，如何在射频能量收集认知无线电网络（RF-CRN）中实现节能传输非常重要。本文提出了一种基于硬件的射频（RF）能量收集硬件底层认知无线电网络（RH-CRN）结构，其中，次级发射机（ST）首先从源自初级网络的RF信号源中收集能量，然后与使用所收集的能量，在地下模式下的辅助接收器（SR）。次要用户（SU）消耗的总能量必须等于或小于被称为能量因果关系约束的总收获能量。此外，ST拥有一些初始能量，可能是来自前一个传输块的剩余能量，并且我们也认为能量收集电路的能量损耗也是一个系统因素。我们的目标是通过共同优化传输时间和功率来实现二次网络的最大能效（EE）。为了保证辅助收发器的服务质量（QoS），在EE最大化的过程中，对ST施加了吞吐量限制的最低要求。由于EE最大化是一个非线性分数规划问题，因此提出了一种基于Dinkelbach方法的快速迭代算法，以实现最优的资源分配。仿真结果表明，该算法收敛速度快，在保证服务质量的同时，可以大大提高系统的能效。我们的目标是通过共同优化传输时间和功率来实现二次网络的最大能效（EE）。为了保证辅助收发器的服务质量（QoS），在EE最大化的过程中，对ST施加了吞吐量限制的最低要求。由于EE最大化是一个非线性分数规划问题，因此提出了一种基于Dinkelbach方法的快速迭代算法，以实现最优的资源分配。仿真结果表明，该算法收敛速度快，在保证服务质量的同时，可以大大提高系统的能效。我们的目标是通过共同优化传输时间和功率来实现二次网络的最大能效（EE）。为了保证辅助收发器的服务质量（QoS），在EE最大化的过程中，对ST施加了吞吐量限制的最低要求。由于EE最大化是一个非线性分数规划问题，因此提出了一种基于Dinkelbach方法的快速迭代算法，以实现最优的资源分配。仿真结果表明，该算法收敛速度快，在保证服务质量的同时，可以大大提高系统的能效。由于EE最大化是一个非线性分数规划问题，因此提出了一种基于Dinkelbach方法的快速迭代算法，以实现最优的资源分配。仿真结果表明，该算法收敛速度快，在保证服务质量的同时，可以大大提高系统的能效。由于EE最大化是一个非线性分数规划问题，因此提出了一种基于Dinkelbach方法的快速迭代算法，以实现最优的资源分配。仿真结果表明，该算法收敛速度快，在保证服务质量的同时，可以大大提高系统的能效。